Data Monetization Canvas

Warum verwenden?

Entwickle eine analytische Lösung für ein Daten-/KI-Produkt, das auf einen oder mehrere Use Cases anwendbar ist.

Wann verwenden?

Wenn du eine Idee oder ein Konzept für einen Use(r) Case im Zusammenhang mit einem Daten-/KI-Produkt hast und eine analytische Lösung entwerfen musst. Dieser Prozess hilft dabei, die technischen, organisatorischen und personellen Anforderungen zu ermitteln, die zur Entwicklung des Produkts erforderlich sind.

Wie verwenden?

I. Vorbereitung

1. Fülle den Canvas-Kopf:

a) Beschrifte Focus on im Canvas-Header mit einer weißen Notiz mit dem Namen des Daten-/KI-Produkts oder der Use Case-Idee. Du kannst die Focus on-Notiz aus dem Analytics & AI Use Case-Canvas kopieren, an dem du zuvor gearbeitet hast. Oder wähle einen Use Case (eine Idee), zum Beispiel aus dem Business Model / Case, Analytics & AI Maturity oder Priority Matrix-Canvas.

b) Footer: Füge eine Legende mit Notizen in den entsprechenden Farben hinzu:

• Grüne Notizen: "Vorhandenes Element"

• Gelbe Notizen: "Geplantes Element"

• Rote Notizen: "Fehlendes Element"

• Weiße Notizen: "Frage / Annahme / Einblick / Entscheidung / Aufgabe"

II. Daten- / KI-Produktdesign

Beginne mit dem Hinzufügen von roten, gelben oder grünen Notizen, um fehlende, geplante oder vorhandene Elemente in den folgenden Boxen darzustellen und den Datenfluss sowie die Analyseschritte zu skizzieren. Beachte, dass bei einem neuen Datenprodukt die meisten Elemente fehlen werden:

② Beginne mit dem Ende auf der rechten Seite des Canvas (siehe Referenzen für einen einfachen Start):

a) Datenwert: Der Informationswert sollte in Bezug auf Geschäftsleistungsmetriken (z. B. wichtige Leistungsindikatoren, KPI) gemessen werden. Platziere entsprechende Notizen in diesem Feld. Außerdem sollten Notizen zur Informationsqualität, wie z. B. Leistungsmetriken von Modellen, sowie zu Modelfunktionen, die als Indikatoren für nachhaltige, erklärbare, verantwortungsvolle und vertrauenswürdige KI dienen, und Datenqualitätsindikatoren bereitgestellt werden.

b) Dataprodukte: Lege die beabsichtigten Ausgaben deines Daten-/KI-Produkts mit Notizen fest, wobei der Fokus insbesondere auf den erwünschten Informationen liegt, die spezifische Fragen einschließen, die das Produkt beantworten soll. In Fällen, in denen die Informationen nicht direkt aus den Daten berechnet, sondern beispielsweise mit maschinellem Lernen vorhergesagt oder geschätzt werden, erwarten die Nutzer eine Erklärung, wie die Informationen gewonnen werden (siehe "erklärbare KI").

③Datenanalyse: Überlege dir verschiedene Analyseansätze, um die gewünschten Informationen zu erhalten, und skizziere die Schritte der Datenvorbereitung, Analyse und Visualisierung in diesem Feld. Verwende rote, gelbe und grüne Notizen. Verbinde diese Notizen (aller Felder) mit horizontalen Pfeilen, um den Daten- und Informationsfluss zu veranschaulichen.

Bewerte die Vor- und Nachteile verschiedener Algorithmen und Methoden, um sicherzustellen, dass sie den geforderten Standards für Informationsqualität und Modellfunktionen, wie z.B. Erklärbarkeit (z.B.: erklärbare "White Box"-Modelle vs. undurchsichtige "Black Box"-Modelle), entsprechen. Schließe ab, indem du die vielversprechendste Lösung auswählst.

④Datensätze: Identifiziere und entwickle wesentliche und nützliche Datensätze als Input für die Analysepipeline (um die gewünschten Informationen abzuleiten).

Platziere für jeden identifizierten Datensatz eine Notiz im Data Sets-Bereich und verknüpfe diese mit den initialen Schritten der Datenvorbereitung und Analyse im Data Analytics-Bereich.

Referenzen

A: Kopiere alle blauen Notizen aus dem Solutions-Bereich des Analytics & AI Use Case Canvas, die die vom Nutzer gewünschte Information definieren, in den Data Products-Bereich. Ändere ihre Farbe in Rot, Gelb oder Grün - abhängig von der Verfügbarkeit der Information - und gib, falls nötig, die gewünschte Information präziser an, indem du z.B. einem Metrik einen eindeutigen Namen gibst, ihre Einheit definierst, die zeitliche Auflösung, die Granularität etc.

B: Für das Data Value-Feld suche nach passenden Notizen in den Feldern Benefits und Objectives & Results auf der Analytics & AI Use Case-Leinwand. Der Wert der Daten oder Informationen bemisst sich danach, wie sie den Nutzer dabei unterstützen, seine spezifischen Ziele und Resultate zu erreichen.

C: Wenn du dir über die Verfügbarkeit der Daten unsicher bist, erkunde die Datenlandschaft mit dem Data Landscape Canvas. Kopiere alle Notizen aus dem Data Sets Kasten in die Sort in Kästen des Data Landscape Canvas. Identifiziere die Quellen dieser Datensätze, entwickle Ideen für zusätzliche Datensätze und positioniere alle innerhalb der Quadranten der Datenlandschaft. Beurteile deren Verfügbarkeit und aktualisiere entsprechend die Farbe der Notizen auf sowohl dem Data Landscape als auch dem Data Monetization Canvas: grün → Datenressource, rot → Datenlücke und gelb → Daten (Satz mit) Problemen.

III. TOP-Anforderungen Design

Leite als nächstes die technologischen, organisatorischen und personellen Anforderungen aus der Gestaltung deines Daten-/KI-Produkts ab:

• Füge grüne Notizen für bestehende technologische, organisatorische und personelle Ressourcen oder Fähigkeiten hinzu.

• Füge rote Notizen für Lücken in deiner technologischen Infrastruktur, der Organisationsstruktur oder der Personalstruktur hinzu.

• Füge gelbe Notizen für bereits geplante, laufende oder problematische technologische, organisatorische oder personelle Änderungen und Initiativen hinzu.

⑤ Technologie: Beginne mit der Bewertung der technologischen Infrastruktur, die für dein Projekt erforderlich ist. Starte von der linken Seite deines Canvas und arbeite dich systematisch nach rechts unter den entsprechenden Boxen von Data Sets bis Data Value vor. Berücksichtige bei jeder Phase des Lebenszyklus deiner Daten – Zugriff, Bereinigung, Integration, Speicherung, Analyse und Visualisierung – welche Werkzeuge, Plattformen und Systeme unerlässlich sind.

In der Technology-Box, die sich unter den oberen Kästen—Data Sets, Data Analytics, Data Products & Data Value—befindet, platziere (mehrere) Notizen für jede Phase des Datenlebenszyklus. Jede Notiz sollte mit den Bezeichnungen der technischen Produkte oder Kategorien beschriftet sein, die für die Prozesse in dieser spezifischen Phase unerlässlich sind. Ordne diese Notizen direkt unter ihren jeweiligen Phasen an, um eine klare Ausrichtung zu gewährleisten.

Um den Technologiestapel in jeder Phase visuell darzustellen, stapel diese Notizen—oder verwende alternativ rechteckige Formen—vertikal, um die Schichtung der Technologien zu repräsentieren. Beispielweise könnte ein Python-Modul oben auf der Programmiersprache Python positioniert werden, das wiederum auf einer Cloud-Computing-Plattform basiert. Verbinde diese gestapelten Notizen mit horizontalen Pfeilen, um den Datenfluss und die Integration der technologischen Komponenten in die Gesamtdatenverarbeitungsprozesse zu veranschaulichen.

⑥ Organisation: Für jede technische Komponente identifizieren Sie das Team, die Abteilung, Division, Tochter- oder Schwesterfirma oder den externen Anbieter, der für deren Implementierung und Betrieb "verantwortlich" ist. Platzieren Sie im Organisation-Feld Notizen, die diese organisatorischen Einheiten darstellen. Diese sollten unterhalb oder in der Nähe der entsprechenden technischen Komponenten positioniert werden, um die Abhängigkeit zu verdeutlichen. Verbinden Sie diese Notizen mit horizontalen Pfeilen, um den Kommunikationsfluss, wie den Transfer von Anforderungen, zu veranschaulichen.

⑦ Personen: Schließlich sind die Schlüsselpersonen zu identifizieren, die erforderlich sind, um das Daten/AI-Produkt und dessen technologische Infrastruktur umzusetzen und zu betreiben. Platziere Notizen im Personen-Bereich, unterhalb der entsprechenden Organisationseinheit. Beschrifte jede Notiz mit der Rolle, Funktion, dem Titel oder der Fähigkeit der Person und füge optional die Anzahl der Vollzeitäquivalente (FTE) in Klammern hinzu. Verwende Pfeile, um die Berichtslinien und/oder die Kollaborations- und Kommunikationsverbindungen zwischen diesen Personen abzubilden.

Tipp: Gemäß Conways Gesetz ("Die Struktur eines Systems wird durch die Kommunikationsmuster der Personen bestimmt, die es entwerfen.") solltest du darüber nachdenken, eine Reorganisation vorzunehmen, bevor du das System implementierst. Um das Verständnis zu verbessern, könntest du vertikale gepunktete Linien hinzufügen, um dies auf dem Canvas zu visualisieren:

• Die Abhängigkeiten zwischen den Datensätzen und Analysen und den technologischen Komponenten,

• Die Verantwortlichkeiten der organisatorischen Einheiten in Bezug auf die technologischen Komponenten,

• Die Zugehörigkeiten, die die Personen mit ihren jeweiligen organisatorischen Einheiten verbinden.

Referenzen

D: Aktualisiere das Analytics & AI Maturity Canvas (blaue Felder) mit den technologischen, organisatorischen und personellen Fähigkeiten, um deine Analytics & AI Roadmap zu vervollständigen.

E: Falls die Implementierung und der Betrieb deiner Datenprodukte fundamentale Änderungen an deinem Geschäftsmodell erfordern, aktualisiere auch das Business ModelCanvas.

Wo kann man mehr finden?

Datentreiber bietet dir nicht nur dieses Miroverse-Template, sondern auch:

• Das Data & AI Business Design Kit bietet zahlreiche Open-Source-Canvases zur Anwendung der Data & AI Business Design Methodik.

• Darüber hinaus steht die kostenlose Data & AI Business Design Community für Austausch, Events und Experteninhalte zur Verfügung.

• Bezahle Online- und Vor-Ort-Schulungen mit Zertifizierung sind an der Data & AI Business Design Academy verfügbar.

• Viele zusätzliche Management-Tools, Workshop-Templates und Projekt-Blaupausen sind von unserem kommerziellen Data & AI Business Design Bench verfügbar.

• Unser Data & AI Business Consulting bietet Unterstützung für Ihre Daten- & KI-Strategie, Innovations- und Transformationsprojekte.

Wenn Sie interessiert sind oder Fragen oder Feedback haben, kontaktieren Sie uns bitte unter: info@datentreiber.de.

Copyright: Alle Rechte vorbehalten von Datentreiber GmbH.